Un portafolio de Computer Vision con tres proyectos bien elegidos pesa más en una entrevista que cinco certificados. El problema es que la mayoría arranca por el peor lado: tutoriales de clasificación de gatos vs perros que ya hizo medio internet. Si quieres que un reclutador se detenga en tu perfil, necesitas proyectos que muestren las tres capas reales del campo: procesar la imagen, entender qué hay en ella y seguirla en el tiempo.
Y la buena noticia es que no hace falta dominar geometría proyectiva ni cálculo de postgrado para construir los tres. Con OpenCV, una red convolucional preentrenada y un fin de semana por proyecto, te alcanza. Nuestro curso de Fundamentos de Computer Vision recorre exactamente estos tres niveles en 15 módulos, de OpenCV a redes neuronales convolucionales con TensorFlow y PyTorch, y es donde tomé el orden de esta lista.
Proyecto 1: detector de objetos sobre video en vivo
Es el proyecto de entrada al campo y el que más rápido da resultados visibles: tomas la cámara de tu laptop, cargas un modelo de detección preentrenado y dibujas cajas alrededor de cada objeto que reconoce, en vivo. Técnicamente estás combinando clasificación de imágenes con localización — no solo "qué es", sino "dónde está" dentro del cuadro. Es el mismo principio detrás de un sistema de conteo de personas en una tienda o de un control de calidad que detecta piezas defectuosas en una línea de producción.
Lo que un entrevistador quiere ver aquí no es que el modelo funcione — eso ya lo resuelve la librería. Quiere ver que entiendes el trade-off entre velocidad y precisión: un modelo más grande detecta mejor pero corre a menos cuadros por segundo. Si puedes explicar por qué elegiste cierto balance para tu caso, ya estás un nivel arriba de quien solo copió el código.
Proyecto 2: segmentación para "recortar" en vez de solo "encerrar"
Acá subes de nivel: en vez de dibujar una caja alrededor de un objeto, delineas su contorno exacto, píxel por píxel. Es la técnica detrás del fondo virtual de una videollamada, del quitafondos automático de una app de edición y de buena parte de la biometría (reconocimiento facial, lectura de huellas). Un proyecto honesto acá es replicar un removedor de fondo: subes una foto, el modelo segmenta a la persona y cambias el fondo por lo que quieras.
- ▸Clasificación: "esto es un gato" (una etiqueta para toda la imagen)
- ▸Detección de objetos: "hay un gato acá" (una caja con coordenadas)
- ▸Segmentación: "estos píxeles exactos son el gato" (una máscara)
Proyecto 3: seguimiento de movimiento entre cuadros
El tercer proyecto es el que de verdad separa a quien entiende visión por computadora de quien solo sabe clasificar fotos sueltas: seguir un objeto a través de varios cuadros de video, no solo detectarlo en uno. Es la base de navegación autónoma (seguir al auto de adelante), de análisis deportivo (trazar la trayectoria de un jugador) y de seguridad (una persona que camina de una cámara a otra). La parte interesante — y la que casi nadie practica antes de necesitarla en un trabajo real — es que el modelo tiene que "recordar" que el objeto del cuadro 47 es el mismo que vio en el cuadro 46, aunque se haya movido o lo tape parcialmente otra cosa.
Honestamente, este es el proyecto donde más alumnos se traban, porque ya no alcanza con "cargar un modelo": tienes que mantener identidades entre cuadros y decidir qué hacer cuando el objeto desaparece unos segundos. Ahí es donde se nota si entendiste el curso o solo ejecutaste el notebook.
Dónde aprender esto sin perderte en papers académicos
El curso completo son 45 clases con certificado y proyectos incluidos, pensado para alguien que ya sabe programar pero nunca tocó visión por computadora: arranca en procesamiento de imágenes con OpenCV, pasa por extracción de características, clasificación y detección de objetos, sigue con segmentación y análisis de movimiento, y cierra con aplicaciones reales en biometría, navegación autónoma y realidad aumentada — los mismos tres proyectos de esta lista, con ejercicios guiados en lugar de empezar de una hoja en blanco.
Si ya construiste estos tres y quieres ir hacia un rol de IA más amplio — no solo visión, sino el panorama completo de modelos, producción y despliegue —, la ruta AI Engineer es el siguiente escalón natural. Y si tu interés es llevar estos modelos a producción de forma seria (versionado, monitoreo, reentrenamiento), puedes revisar también nuestro catálogo completo de cursos de IA para armar la ruta a tu medida.
Un consejo final, de los que no suelen estar en los tutoriales: documenta cada proyecto con un README que explique qué decisión tomaste y por qué, no solo "cómo correrlo". Un repositorio con tres proyectos bien explicados vale más que diez notebooks sueltos sin contexto — y es lo primero que mira cualquiera que revise tu portafolio en GitHub.
